Bataille aux neurones, ou l’Intelligence Artificielle dans le retail


Cela fait plus de 20 ans que Garri Kasparov a été vaincu par le superordinateur Deep Blue. Nous pouvons reconnaître ce moment comme le début de l’ère de l’intelligence artificielle, mais pour ce qui est d’écrire cette histoire, les avis sont divisées. Dans nos produits, nous utilisons des méthodes d’IA et fournissons à nos clients une qualité basée sur celles-ci. Voyons donc quelques problèmes de liés à l’intelligence artificielle.

Dans l’esprit des consommateurs, l’image de l’intelligence artificielle est créée par l’influence de la culture pop plutôt que par la science. Des films et des séries télévisées comme Westworld, Ex Machina, 2001, L’odyssée de l’espace ou le bien-aimé Terminator attisent la curiosité avec l’horreur du slogan « intelligence artificielle ».

Où chercher l’intelligence artificielle?

L’intelligence artificielle en tant que domaine scientifique commence au milieu du siècle dernier et est associée aux noms d’Alan Turing (nous recommandons les films Game Mysteries et Ex machina!) Et de John MacCarthy. En termes simplifiés, l’idée de l’intelligence artificielle est de faire en sorte que les créations humaines se comportent, apprennent et résolvent des problèmes comme le fait l’être humain, voir mieux. Parce que si nous ne pouvons pas nous soulever par nos propres cheveux (ni physiquement ni intellectuellement), nous savons comment augmenter l’efficacité des appareils à une échelle qui n’est pas à la portée de l’homme. Dans le concept le plus ambitieux d’ « intelligence artificielle géneral », les machines seraient même capables de ressentir les émotions humaines et de faire preuve de comportements impulsifs. Revenons à ici et maintenant.

Pour comprendre ce qu’est réellement l’intelligence artificielle, utilisons le schéma suivant:

L’intelligence artificielle (IA) est l’ensemble des algorithmes permettant de résoudre des problèmes couramment associés à l’intelligence humaine et mis en œuvre par des machines. Le traitement rapide et reproductible des données permet aux utilisateurs de tirer des conclusions plus facilement et d’accélérer la résolution des tâches. Les premiers jeux d’échecs informatiques étaient basés sur l’IA si bien comprise (l’ordinateur ne peut toujours pas être provoqué à renverser la table!) comme d’autres jeux vidéos. Ces algorithmes sont guidés par le principe suivant: si quelque chose se produit, éxecute une commande, sinon, ne fait rien.

Plus profond encore se trouve l’apprentissage automatique (Machine Learning, ML). Cette méthode est capable de résoudre des problèmes et de répondre à des questions à l’aide d’outils statistiques complexes. À l’horizon apparaissent l’inférence statistique et d’autres accélérateurs de raisonnement inspirants qui permettent d’atteindre des solutions submergées par une énorme quantité de données. L’apprentissage automatique suppose que les données précédemment traitées ont un impact sur l’analyse des données traitées ultérieurement..


Un exemple intéressant d’apprentissage automatique est le portail Zillow, qui supporte le trading immobilier, où les prix sont estimés à l’aide d’algorithmes d’intelligence artificielle. Il prend en compte la masse de données sur les paramètres de propriété, l’historique des prix, la superficie, etc. L’efficacité des ventes (ou leur absence) calibre en permanence les offres publiées. C’est comme si le système non seulement comprenait et analysait les données en constante évolution, mais prenait également des décisions et proposait des solutions aux problèmes sur la base des conclusions qu’il en tirait.

Le prochain niveau de développement de l’IA est le célébrant d’énormes succès Deep Learning (« apprentissage profond », DL). Ce sont des méthodes utilisant des réseaux de neurones, encore une invention mathématique brillante (plus ancienne d’ailleurs que le concept d’intelligence artificielle), grâce auxquelles nous pouvons parler d’auto-amélioration, de vérification et de processus conduisant à un raisonnement autonome (non contrôlé par l’homme), même à partir de données non structurées auparavant.

Voitures et drones autonomes, magasins Amazon GO, résultats de recherche Google – toutes ces solutions nous offrent plus de confort dans la vie, accélèrent la prise de décision et nous permettent même de composer des chansons sur la base de modèles de Deep Neural Networks.

Reconnaissance d’image

Depuis plus de trente ans, on essaie d’apprendre aux machines à reconnaître les objets sur des photographies en construisant des modèles mathématiques de visages, de voitures, d’arbres, de paysages, de soleils, d’oiseaux, etc. Ces tentatives n’ont toutefois pas fourni de résultats satisfaisants. Jusqu’à présent. À l’époque où l’habitude de rassembler d’énormes volumes de données par de nombreuses entreprises s’est généralisée, il était nécessaire de les développer. Grâce aux solutions CUDA (traitement parallèle) des cartes graphiques NVIDIA, les ingénieurs informatiques ont eu la possibilité sans précédent de traiter rapidement des téraoctets de données sur un matériel abordable.

Grâce au dimensionnement du silicium et à l’énorme augmentation de la puissance de calcul, l’intelligence artificielle a commencé à apprendre à reconnaître des objets dans des images à l’aide de motifs servant de données d’entrée pour les réseaux de neurones. Plus les photos de référence sont nombreuses, plus les réseaux de neurones apprennent efficacement à les identifier. Cela signifie moins de temps et de travail fastidieux et, avouons-le – ennuyeux, pour ajuster les résultats, afin de former le réseau pour reconnaître correctement des Citroën C4, des ordinateurs portables Lenovo, des sourires, des blaireaux et des pivoines.

Sur la base d’un jeu de photos exemple, la reconnaissance est optimisée. En conséquence, nous disposons d’un réseau de neurones bien formé, utilisable dans diverses applications, par exemple dans les cabines d’essayage virtuelles, en mode portrait sur smartphone ou dans des contextes plus lyriques, tels que Deep Dream Generator. Les applications de la technologie de reconnaissance d’image ne s’arrêtent pas là. Elles peuvent également être utilisées avec succès dans le commerce et les entreprises.

Qu’est-ce qui pourrait mal tourner?

L’intelligence artificielle ne pense pas. Il est donc utile de rappeler que les données du lot doivent être de bonne qualité et préalablement vérifiées par les utilisateurs, sinon on risque d’avoir des surprises. Peut-être pas de ce calibre, quel bot Tay dégénéré sur Twitter, ni les tentatives d’Amazon pour faire correspondre automatiquement les impressions sur les housses pour smartphones, mais selon le proverbe,le poussin chante comme le coq lui apprend … ou de la lessive couleurs 6 kg Brise de printemps pour de la lessive blanche 6 kg Fraîcheur estivale, rectifier les données du réseau fera appel à des ressources humaines utiles ailleurs.

Le potentiel d’une intelligence artificielle bien mise en œuvre semble être infini. Une entreprise technologique qui ne recherche pas et ne crée pas de solutions basées sur l’intelligence artificielle ne trouvera pas sa place sur le marché du futur.

Reconnaissance du produit – la clé de la connaissance

eLeader s’est spécialisé dans des solutions aidant les fabricants et les distributeurs à tirer le meilleur parti des équipes commerciales mobiles. Les données de terrain sont des rapports des premières lignes de la bataille pour le rayon de magasin. Leur acquisition prend du temps, nécessite de brûler du carburant et de transférer des connaissances. C’est bien d’avoir le plus de données possible et qu’elles soient utiles. Plus le nombre de visites,plus le nombre de contrats et de vente augmentant, les relations avec les magasins s’améliorent. La stratégie de vente dépends de données complètes et fiables. Cependant, le comptage laborieux des produits, l’analyse des parts de marché, la vérification des ruptures de stock sont exposés aux erreurs résultant de perturbations de la perception, de fatigue et souvent de routine. Alors, comment obtenir des données plus fiables tout en raccourcissant le temps de visite? Comment obtenir des informations rapidement et savoir immédiatement quoi en faire.

Depuis 2014, nos clients utilisent eLeader Shelf Recognition AI, la première solution du marché permettant d’analyser l’étagère du magasin sur la base de sa photographie et de fournir des données au système SFA. Vous pouvez en savoir plus sur la solution eLeader ici.

Je vous présente Ala

Pour que nous puissions reconnaître des images – dans ce cas, les produits de l’étagère du magasin – nous avons besoin de modèles. Plus ils sont nombreux, mieux c’est. Nous transmettons ces modèles à Ala (c’est le nom du réseau de neurones eLeader). De cette manière, la phase de formation de eLeader Shelf Recognition AI est mise en œuvre. Une telle intelligence artificielle bien entraînée est déjà parfaitement adaptée pour travailler avec des représentants commerciaux et des photos prises régulièrement lors de visites en magasin peuvent être utilisées pour un étalonnage supplémentaire.

Le schéma de fonctionnement de eLeader Shelf Recognition AI. Les données sur les produits sur les étagères parviennent au commerçant au cours de la même visite. Cela vous permet non seulement de comprendre la situation dans un magasin donné, mais aussi de mettre automatiquement à jour le scénario de la visite afin de prendre des mesures d’action immédiates.

Le processus de mise en service de l’environnement de Shelf Recognition AI avec Ala prêt à passer à l’action prend très peu de temps. Une fois le projet démarré, les travailleurs mobiles reçoivent les résultats de l’analyse automatique des produits au cours de la même visite, ce qui leur permet de comparer l’état actuel avec la norme, telle que Perfect Store, et de mettre immédiatement en œuvre des actions correctives pour augmenter leurs indicateurs de performance et ceux de l’organisation. Les informations obtenues et analysées par cette technologie sont très faciles à transformer en connaissances constituant la base de la réflexion stratégique sur le marché. Par exemple, les données analysées des produits aident à créer le « classement des magasins » d’une entreprise, en fonction duquel des visites futures sont planifiées. En conséquence, les travailleurs mobiles peuvent apparaître plus souvent là où les ventes sont les plus importantes (selon le modèle RAO, c’est-à-dire l’optimisation des activités de vente au détail).

En savoir plus sur eLeader Shelf Recognition AI

Bientôt dans votre frigo?

La reconnaissance intelligente des produits est l’avenir des processus d’affaires. Les plus grands fabricants d’appareils électroménagers (notamment présent dans le portfolio eleader : Samsung, Whirlpool ou LG) améliorent les dispositifs capables de nous informer non seulement de la date d’expiration à venir (fastoche!), mais également de communiquer entre eux, en passant du poêle au réfrigérateur par exemple, ce que nous avons mangé pour le dîner, pour mieux ajuster les paramètres du lave-vaisselle ou pour nous informer que nous arrivons à court de jus Kubuś de chez Maspex (c.-à-d. Reconnaître sa quantité et son type, puis la commander directement à partir du panneau du réfrigérateur – ça aussi c’est facile). L’Internet des objets décrit ici donnera probablement l’énoncé au superordinateur avec fonction frigo…

Quel que soit le degré d’utilisation de l’intelligence artificielle et de son importance dans notre vie ou notre entreprise, nous devons nous rappeler que l’intelligence du système dépend principalement de l’intelligence, des connaissances et de l’expérience des ingénieurs, des créateurs et des formateurs en intelligence artificielle, grâce à quoi nous pouvons développer et étendre eLeader Shelf Recognition AI et rendre le monde plus agréable.


Besoin de plus d’informations?

CONTACTEZ NOUS